Uczenie maszynowe i sztuczne sieci neuronowe 1100-3BN22
Program:
1. Wstęp, regresja liniowa i metoda najmniejszych kwadratów
2. Wstęp o sieciach neuronowych, sieci neuronowe liniowe
3. Perceptron Rosenblatta
4. Nieliniowości różniczkowalne i metoda wstecznej propagacji błędu
5. Klasyfikacja i regresja logistyczna
6. Algorytmy generatywne
7. Maszyny wektorów wspierających
8. Uczenie bez nadzoru
9. Uczenie ze wzmocnieniem
Zagadnienia omawiane teoretycznie na wykładzie będą ilustrowane na ćwiczeniach praktycznymi przykładami w języku python.
Tryb prowadzenia
Założenia (opisowo)
Efekty kształcenia
Wiedza:
1. Student zna podstawowe koncepcje związane z uczeniem maszynowym i sztucznymi sieciami neuronowymi (KW01);
2. posiada wiedzę w zakresie matematyki wyższej oraz technik informatycznych niezbędną do rozwiązywania problemów fizycznych o średnim poziomie złożoności za pomocą metod uczenia maszynowego (KW02).
Umiejętności:
1. Student potrafi zastosować podejście uczenia maszynowego lub sztuczną sieć neuronową do praktycznego problemu (KU01);
2. potrafi wykonywać proste eksperymenty, obserwacje, obliczenia numeryczne i symulacje komputerowe z wykorzystaniem standardowych pakietów oprogramowania oraz krytycznie analizować wyniki pomiarów, obserwacji i obliczeń wraz z oceną dokładności wyników (KU03).
Postawy:
1. Student docenia znaczenie metod uczenia maszynowego we współczesnych metodach analizy danych (K_K06);
2. docenia znacznie pracy własnej w pogłębianiu wiedzy oraz umiejętności z obszaru uczenia maszynowego (K_K01);
3. potrafi odpowiednio określić priorytety służące realizacji określonych zadań i przedsięwzięć o zróżnicowanym charakterze (K_K03).
Przewidywany nakład pracy studenta:
Uczestnictwo w zajęciach: 50 h
Przygotowanie do zajęć i rozwiązywanie zadań domowych: 20 h
Przygotowanie do egzaminu 10 h
Przygotowanie projektu zaliczeniowego 20h
Kryteria oceniania
Ocena jest średnią z wyniku testu dotyczącego zagadnień teoretycznych oraz oceny z projektu praktycznego.
Praktyki zawodowe
Brak
Literatura
1. R. Tadeusiewicz, Sieci neuronowe.
2. Timothy Masters, Sieci neuronowe w praktyce Programowanie w języku C++.
3. J.Hertz, A. Krogh, R. Palmer, Wstęp do teorii obliczeń neuronowych.
4. S. Osowski, Sieci neuronowe w ujęciu algorytmicznym.
5. Z. Świątnicki R. Wantoch-Rekowski, Sieci neuronowe w zastosowaniach wojskowych.
6. J. Korbicz, A. Obuchowicz, D. Uciński, Sztuczne sieci neuronowe - podstawy i zastosowania.
7. D. Rutkowska, M. Piliński, L. Rytkowski, Sieci neuronowe, algorytmy genetyczne i systemy rozmyte.
8. J. Chromiec, E. Strzemieczna, Sztuczna inteligencja - Metody konstrukcji i analizy systemów eksperckich.
9. J.J. Mulawka, Systemy ekspertowe.
10. Roman Wantoch-Rekowski , Sieci neuronowe w zadaniach-perceptron wielowarstwowy
11. Russel Norvig, Artificial intelligence a modern approach.
Więcej informacji
Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami:
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: